使用Python解析pdf、docx等格式文件。

针对不同类型的文件，需要采取特定的访问与解析策略来有效获取其中蕴含的知识。下面我们将介绍对于不同数据源数据的获取方式。

1 解析Docx文档

1.1 获取Docx文档中文本

from docx import Document
# pip install python-docx
# python-docx == 0.8.11
filename = 'xxx.docx'
doc = Document(filename)
for para in doc.paragraphs:print(para.text)

1.2 获取Docx文档中表格

from docx import Document
filename = r'sample.docx'
doc = Document(filename)
print(f"\n 便利文档中表格：")
print(f"\n 方法一：")
for table in doc.tables:row_count = len(table.rows)col_count = len(table.columns)for i in range(row_count):row = table.rows[i].cellsprint(f"row : {row}")
print(f"\n 方法二：")
for table in doc.tables:row_count = len(table.rows)col_count = len(table.columns)for i in range(row_count):for j in range(col_count):print(table.cell(i,j).text)

2 解析txt文件

2.1 读取富文本txt

• read() —— 读取所有文本

with open('sample.txt','r+',encoding='utf-8') as f:data = f.read()print(data)

• readline() —— 读取第一行的内容

with open('sample.txt','r+',encoding='utf-8') as f:data = f.readline()print(data)

• readlines() —— 读取全部内容，以数列的形式返回结果

with open('sample.txt','r+',encoding='utf-8') as f:data = f.readlines()print(data)

with open('sample.txt','r+',encoding='utf-8') as f:for ann in f.readlines()ann = ann.strip('\n') # 去除文本中的换行符print(ann)
# 简单版本
for i in open(file='sample.txt',encoding='utf-8').readlines():ann = i.strip('\n')print(ann)

3 解析PDF

3.1 PDF解析神器——pdfplumber

3.1.1 安装

pip install pdfplumber

3.1.2 提取pdf中的纯文本

import pdfplumber
file_name = r'sample.pdf' # 需要解析的pdf文件
output_file = 'sample.txt' # pdf解析后的内容
with pdfplumber.open(file_name) as p:page_count = len(p.pages)for i in range(0,page_count):page = p.pages[i]text_data = page.extract_text()data = open(output_file,'a',encoding='utf-8')data.write(text_data)

3.1.3 提取pdf中的表格

import pdfplumber
from openpyxl import Workbook # 保存表格
file_name = r'sample.pdf'
output_file = 'sample.xlsx'
with pdfplumber.open(file_name) as pdf:page = pdf.pages[0]table = page.extract_table()workbook = Workbook()sheet = workbook.activefor row in table:sheet.append(row)workbook.save(filename=output_file)

• extract_tables()方法——输出文档所有表格，返回一个嵌套列表。

#extract_tables()法
with pdfplumber.open(r'exm.pdf') as pdf:  # 打开pdfpage_one = pdf.pages[0]  page_one_table =page_one.extract_tables()  # 获取pdf第一页的所有表格数据for row in page_one_table:print('第一页的表格数据：', row)

• extact_table()方法——不会返回文档的所有表格，仅返回行数最多的表格数据。如存在多个行数相等的表格，则默认输出顶部表格数据。表格的每一行都为一个单独的列表，列表中的元素即为原表格的各个单元格的数据。

# extract_table()法
with pdfplumber.open(r'exm.pdf') as pdf_info:  # 打开pdfpage_one = pdf_info.pages[0]  page_one_table = page_one.extract_table()for row in page_one_table:print(row)